CN116182564A - 一种烧结机点火炉智能控制*** - Google Patents

Abstract

本发明公开了一种烧结机点火炉智能控制***，属于点火炉智能控制技术领域，包括增强学习模块、服务器、储存模块、全局状态参数判定模块、应急模块和画面显示模块，通过自动调整煤气和空气流量，达到稳定控制点火温度的目的；当烧结机速发生变化时，为了维持原点火强度，在点火温度控制范围内，自动调整煤气量，反向补偿点火强度的变化，保证点火效果；通过反馈预测模型的预测达到烧炉能耗的精确控制，在保证点火温度控制范围基础上，杜绝烧结料面点火发黄或料面过熔情况，降低煤气压力或热值波动对烧结生产过程影响，降低点火煤气消耗。

Description

一种烧结机点火炉智能控制***

技术领域

本发明属于点火炉智能控制技术领域；具体是一种烧结机点火炉智能控制***。

背景技术

在烧结领域中，点火炉作为一个在烧结工艺生产线上的核心设备，其点火效果对烧结矿品质影响较大，在整个烧结工艺上处于极为关键的地位。混合料给到烧结机台车上后，首先通过点火炉将其点燃。根据操作经验，点火炉的温度一般在1250℃左右。温度过高，会使料层表面熔化，透气性变差，温度太低，料层表面点火不好，影响烧结矿的燃烧。上述两种情况，都会使烧结矿的产量减少，质量降低。因此，为了保证混合料很好烧结，要求料层有最佳的点火温度，同时为了使燃气充分的燃烧，还需要有合理的空燃比值，因此，实现点火炉智能化控制是十分重要的。

发明内容

本发明的目的在于提供一种烧结机点火炉智能控制***，解决点火炉燃烧控制智能化的问题。

本发明的目的可以通过以下技术方案实现：

一种烧结机点火炉智能控制***，包括增强学习模块、服务器、储存模块、全局状态参数判定模块、应急模块和画面显示模块；

增强学习模块用于对出煤气流量进行预测，具体方法包括：

步骤S1：利用历史人工烧炉数据，生成训练数据集；

步骤S11：用煤气流量大于M筛选历史数据，筛选之后的数据中相邻index的差值小于L认为是在同一个燃烧周期内，否则认为是另一燃烧周期的数据，这样就得到一个完整的燃烧周期数据，再依据燃烧周期的数据量大于P筛选数据；

步骤S12：计算每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值，用来产生新的筛选条件；

步骤S13：根据步骤S12中的新筛选条件，分别得到两个数据集，然后再取燃烧周期都出现在两个数据集的燃烧周期数据，然后取每个燃烧期D分钟以后的数据，数据的Label是t+1时刻拱顶温度，变量是燃烧时间、t时刻前F分钟的拱顶温度（右）、t时刻前F分钟烟道温度，最后保存为csv文件；

步骤S14：取步骤S11中筛选后数据的每个燃烧期D分钟以后的数据，数据的Label是t+1时刻煤气流量，变量是燃烧时间、t时刻前F至前Z分钟的热值、t时刻前F分钟拱顶温度、t时刻前F分钟煤气流量，最后保存为csv文件；

步骤S2：利用两个数据集训练预测拱顶温度模型和预测煤气流量模型；

步骤S21：训练预测拱顶温度模型，训练数据的Label是t+1时刻拱顶温度，变量是燃烧时刻、t时刻前F分钟的拱顶温度（右）、t时刻前F分钟烟道温度的模型；

步骤S22：采用十折交叉验证对比常见的机器学习方法；根据绝对误差均值、均方误差和可决系数作为选择模型标准，综合选择模型标准后选择了极端随机树模型；将极端随机树模型保存下来；

步骤S23：训练预测煤气流量模型，训练Label是t+1时刻煤气流量，变量是燃烧时间、燃烧时间t时刻前F至前Z分钟的热值、燃烧时间t时刻前F分钟拱顶温度、t时刻前F分钟煤气流量的模型；

步骤S24：采用十折交叉验证对比常见的机器学习方法；根据绝对误差均值、均方误差和可决系数为选择模型标准，综合选择模型标准后选择了极端随机树模型；将极端随机树模型保存下来；

步骤S25：每个炉子有两个模型，进行模型预测，预测拱顶温度模型预测出的t+1时刻的拱顶温度、燃烧时间、燃烧时间t时刻前F分钟热值、燃烧时间t时刻前F分钟烟道温度、燃烧时间t时刻前F分钟拱顶温度（右）和燃烧时间t时刻前F分钟煤气流量输入到预测煤气流量模型中，得到t+1时刻的煤气流量；

步骤S3：对传入PID模块的参数进行处理，获得输出煤气流量。

进一步地，步骤S12中生成新的筛选条件包括：

步骤S121：描述每个燃烧周期的拱顶温度最大值和每个燃烧周期的热值点乘煤气流量的均值之间的关系；

步骤S122：描述每个燃烧周期热值点乘煤气流量的均值和该燃烧周期结束后的送风周期中的最高送风温度的关系；

步骤S123：根据两个散点图和每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值、送风温度，得到两个筛选条件。

进一步地，所述应急模块用于进行***链路状态心跳检测，并对检测结果进行应急处理，具体方法包括：实时获取***链路异常状态，***链路异常状态包括服务器停机，网络中断，交换机故障，当链路存在异常状态时，将会引起心跳信号中断，当检测到心跳信号中断时，切回原有控制***继续对热风炉进行控制。

进一步地，所述画面显示模块用于显示工艺流程及工况参数，并设有报警单元、打印单元、历史趋势单元，报警单元接收服务器发送的报警信号，并向管理员发送报警信息。

进一步地，在一线工人工作处设置对应的显示节点，通过所述显示节点进行相应的数据显示。

进一步地，显示节点的工作方法包括：

确定各目标项数据，采集目标项数据对应的各目标转化方式，对获得的目标转化方式进行筛选，获得所述目标项数据对应的实施转化方式，基于各实施转化方式对画面显示模块内显示的对应专业显示数据进行实时转化，将转化后的各目标项数据在显示界面内进行实时显示。

进一步地，对获得的目标转化方式进行筛选的方法包括：

获取各目标转化方式对应的应用分，对各目标转化方式的实施性进行评估，获得对应的修正系数，根据优先级公式QY=c×YZ计算对应的优先值QY，其中，c为修正系数；YZ为应用分；选择优先值最高的目标转化方式为该目标项数据的实施转化方式。

进一步地，全局状态参数判定模块用于对增强学习模块中的计算过程进行判断，当计算过程正常时，将正常状态标记为1，当计算过程不正常时，将不正常状态标记为0，将判断结果发送到服务器，当服务器接收到的参数为0时，则不会执行煤气流量的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元；设置增强学习模块的输入数据限定范围和输出数据限定范围，对输入数据和输出数据进行分析，当输入数据不在输入数据限定范围内或者输出数据不在输出数据限定范围内时，生成状态参数为0，当输入数据在输入数据限定范围内或者输出数据在输出数据限定范围内时，生成状态参数为1，将状态参数发送到服务器，当服务器接收到的参数为0时，则不会执行煤气流量的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元。

本发明的有益效果：通过自动调整煤气和空气流量，达到稳定控制点火温度的目的；当烧结机速发生变化时，为了维持原点火强度，在点火温度控制范围内，自动调整煤气量，反向补偿点火强度的变化，保证点火效果；通过反馈预测模型的预测达到烧炉能耗的精确控制，在保证点火温度控制范围基础上，杜绝烧结料面点火发黄或料面过熔情况，降低煤气压力或热值波动对烧结生产过程影响，降低点火煤气消耗；通过评价纠正单元的设置，使得可以对反馈预测模型的预测结果进行评价，并对反馈预测模型进行再学习，能够及时调整反馈预测模型，确保反馈预测模型的准确性，避免因为调整不及时或者没有调整，导致资源的浪费。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明原理框图；

图2为本发明算法整体流程图；

图3为本发明煤气预测流程图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在烧结领域中，点火炉作为一个在烧结工艺生产线上的核心设备，其点火效果对烧结矿品质影响较大，在整个烧结工艺上处于极为关键的地位，混合料给到烧结机台车上后，首先通过点火炉将其点燃；根据操作经验，点火炉的温度一般在1250℃左右，温度过高，会使料层表面熔化，透气性变差，温度太低，料层表面点火不好，影响烧结矿的燃烧；上述两种情况，都会使烧结矿的产量减少，质量降低；因此，为了保证混合料很好烧结，要求料层有最佳的点火温度，同时为了使燃气充分的燃烧，还需要有合理的空燃比值，因此，实现点火炉智能化控制是十分重要的。

如图1-3所示，一种烧结机点火炉智能控制***，包括增强学习模块、服务器、储存模块、应急模块、全局状态参数判定模块、抗干扰模块、画面显示模块、画面监控模块。

增强学习模块包括反馈预测模型和评价纠正单元，反馈预测模型用于对煤气电动阀门开启度和空气电动阀门开启度进行预测，具体预测方法包括：

实时获取点火炉的点火温度、煤气流量、空气流量，并将点火温度、煤气流量、空气流量进行整合并标记为输入数据；获取反馈预测模型；将输入数据输入至反馈预测模型获取输出结果并标记为预测标签，预测标签即为输入数据对应的状态标签；将状态标签发送到服务器，服务器根据状态标签对电动阀门开启度和空气电动阀门开启度进行调整；通过自动调整煤气和空气流量，达到稳定控制点火温度的目的；当烧结机速发生变化时，为了维持原点火强度，在点火温度控制范围内，自动调整煤气量，反向补偿点火强度的变化，保证点火效果。

反馈预测模型的获取方法具体包括以下步骤：通过储存模块获取点火炉工况历史数据；点火炉工况历史数据包括进行煤气电动阀门开启度和空气电动阀门开启度调整前N分钟的点火温度、煤气流量、空气流量；其中N为预设值，且N≥10；为点火炉工况历史数据设置状态标签；状态标签包括煤气电动阀门开启度、空气电动阀门开启度和状态参数；状态参数用于全局状态参数判定模块判断计算过程状态是否正常；构建人工智能模型，人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；将通信历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；设定比例包括3：2：2、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为反馈预测模型。

通过反馈预测模型的设置，使得点火炉实现了智能化控制，避免因为温度过高，会使料层表面熔化，透气性变差，温度太低，料层表面点火不好的问题，还可以预测合理的空燃比。

评价纠正单元用于对反馈预测模型的预测结果进行评价，并对反馈预测模型进行再学习，具体方法包括：获取根据预测结果对电动阀门开启度、空气电动阀门开启度进行调整的记录数据和对应的烧结料面燃烧情况，通过反馈预测模型的预测达到烧炉能耗的精确控制，在保证点火温度控制范围基础上，杜绝烧结料面点火发黄或料面过熔情况，降低煤气压力或热值波动对烧结生产过程影响，降低点火煤气消耗；根据获得的记录数据和对应的烧结料面燃烧情况设置评分表，评分表可以根据客户的实际情况进行调整，评分表中包含烧结料面燃烧情况对照图像，将获得的对应的烧结料面燃烧图像与评分表中的烧结料面燃烧情况对照图像进行匹配，获得对应的预测结果评分，当的预测结果评分合格时，不进行操作，当预测结果评分不合格时，获取对应的记录数据，对记录数据中的电动阀门开启度、空气电动阀门开启度进行修改，将修改完成的电动阀门开启度、空气电动阀门开启度和对应的输入数据标记为自学习数据，将自学习数据输入到反馈预测模型中进行再学习。

通过评价纠正单元的设置，使得可以对反馈预测模型的预测结果进行评价，并对反馈预测模型进行再学习，能够及时调整反馈预测模型，确保反馈预测模型的准确性，避免因为调整不及时或者没有调整，导致资源的浪费。

应急模块用于进行***链路状态心跳检测，并对检测结果进行应急处理，具体方法包括：实时获取***链路异常状态，***链路异常状态包括服务器停机，网络中断，交换机故障，当链路存在异常状态时，将会引起心跳信号中断，当检测到心跳信号中断时，切回原有控制***继续对热风炉进行控制，例如：目前永钢使用的自有控制***实时对智能控制***进行链路状态心跳检测，若链路存在任何异常，如服务器停机，网络中断，交换机故障等各种情况都会引起心跳信号中断，如果心跳信号中断，则***自动切回永钢自由控制***继续对热风炉进行控制。

全局状态参数判定模块用于对增强学习模块中的计算过程进行判断，当计算过程正常时，将正常状态标记为1，当计算过程不正常时，将不正常状态标记为0，将判断结果发送到服务器，当服务器接收到的参数为0时，则不会执行煤气流量的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元；设置增强学习模块的输入数据限定范围和输出数据限定范围，输入数据限定范围和输出数据限定范围根据使用规范、使用地区、客户需求由专家组讨论设置，对输入数据和输出数据进行分析，当输入数据不在输入数据限定范围内或者输出数据不在输出数据限定范围内时，生成状态参数为0，输入数据就是输入神经网络模型中的数据，输出数据就是神经网络模型输出结果；当输入数据在输入数据限定范围内或者输出数据在输出数据限定范围内时，生成状态参数为1，将状态参数发送到服务器，当服务器接收到的参数为0时，则不会执行煤气流量的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元。

抗干扰模块采用多层数字滤波、零点漂移、延时消抖、逻辑判断和专家经验数据库的方法消除信号尖峰及噪声干扰。

画面显示模块用于显示工艺流程及工况参数，并设有报警单元、打印单元、历史趋势单元，报警单元接收服务器发送的报警信号，并向管理员发送报警信息，提醒管理员***已经切换到手动控制了。

在一个实施例中，因为直接进行各种工况参数、检测数据等数据的显示，对于具有相关专业知识的工作人员来说，可以清楚无误的理解各种显示数据，但是对于一线工人来说，将会具有一定的困难，尤其是当出现紧急情况时，一线工人是最适合进行紧急问题处理的，而如何应用合适的显示方式帮助一线工人快速的理解各种显示数据就显得尤为重要，具体过程如下：

在一线位置处设置对应的显示节点，即显示节点用于专门向一线工人进行数据展示，将画面显示模块内显示的各种数据标记为专业显示数据；在专业显示数据中标记需要向一线工人展示的数据项数据，即对于一线工人来说，哪些数据向其展示是具有效果的，标记为目标项数据；可以采用项一线工人问卷调查等方式了解各目标项数据如何展示更加方便他们进行理解，如当出现紧急情况时，某一应急调整数据是通过对应的专业术语进行显示，为了进行便于理解，改为将那个位置的阀门旋转到那个刻度、关闭那个位置的开关、依次点击哪些按钮等，直接使用通俗易懂的方式进行展示；进行相应的汇总，获得各目标项数据对应的若干种目标转化方式，并在沟通的过程中同步评估各目标转化方式的应用分，取平均数；对各目标转化方式从操作、实施等角度评估对应的修正系数，即从该目标转化方式的实际应用角度进行考虑，评估对应的修正系数，具体的是基于CNN网络或DNN网络建立对应的修正评估模型，通过人工的方式建立对应的训练集进行训练，通过训练成功后的修正评估模型进行分析，获得对应的修正系数，因为神经网络为本领域的现有技术，因此，具体的建立和训练过程不进行详细叙述；将获得的应用分和修正系数分别标记为YZ和c，根据优先级公式QY=c×YZ计算对应的优先值，选择优先值最高的目标转化方式为该目标项数据的实施转化方式，基于各目标项数据对应的实施转化方式进行显示节点显示界面的构建；

实时识别在画面显示模块中显示的各目标项数据，将获得的目标项数据实时转化到对应的显示节点内进行显示。

另一实施例：增强学习模块用于对出煤气流量进行预测，具体方法包括：

步骤S1：利用历史人工烧炉数据，生成训练数据集；

步骤S11：用煤气流量大于M筛选历史数据，其中M为预设值，优选M=200；

筛选之后的数据中相邻index的差值小于L认为是在同一个燃烧周期内，L为预设值，优选L=30；否则认为是另一燃烧周期的数据，这样就得到一个完整的燃烧周期数据，再依据燃烧周期的数据量大于P筛选数据；为了获取完整的燃烧周期数据；其中P为预设值，优选P=100；

步骤S12：计算每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值，用来产生新的筛选条件；

步骤S13：根据步骤S12中的新筛选条件，分别得到两个数据集，然后再取燃烧周期都出现在两个数据集的燃烧周期数据，然后取每个燃烧期D分钟以后的数据，其中D为预设值，优选D=3；数据的Label是t+1时刻拱顶温度，变量是燃烧时间、t时刻前F分钟的拱顶温度（右）、t时刻前F分钟烟道温度，最后保存为csv文件；其中F为预设值，优选F=5；

步骤S14：取步骤S11中筛选后数据的每个燃烧期D分钟以后的数据，数据的Label是t+1时刻煤气流量，变量是燃烧时间、t时刻前F至前Z分钟的热值、t时刻前F分钟拱顶温度、t时刻前F分钟煤气流量，最后保存为csv文件；其中Z为预设值，优选Z=9；

步骤S2：利用两个数据集训练预测拱顶温度模型和预测煤气流量模型；

步骤S21：训练预测拱顶温度模型，训练数据的Label是t+1时刻拱顶温度，变量是燃烧时刻、t时刻前F分钟的拱顶温度（右）、t时刻前F分钟烟道温度的模型；

步骤S22：采用十折交叉验证对比常见的机器学习方法；根据绝对误差均值、均方误差、可决系数等作为选择模型标准，综合选择模型标准后选择了极端随机树模型；将极端随机树模型保存下来；

步骤S23：训练预测煤气流量模型，训练Label是t+1时刻煤气流量，变量是燃烧时间、燃烧时间t时刻前F至前Z分钟的热值、燃烧时间t时刻前F分钟拱顶温度、t时刻前F分钟煤气流量的模型；

步骤S24：采用十折交叉验证对比常见的机器学习方法；根据绝对误差均值、均方误差、可决系数等为选择模型标准，综合选择模型标准后选择了极端随机树模型；将极端随机树模型保存下来；

步骤S25：每个炉子有两个模型，进行模型预测，预测拱顶温度模型预测出的t+1时刻的拱顶温度、燃烧时间、燃烧时间t时刻前F分钟热值、燃烧时间t时刻前F分钟烟道温度、燃烧时间t时刻前F分钟拱顶温度（右）和燃烧时间t时刻前F分钟煤气流量输入到预测煤气流量模型中，得到t+1时刻的煤气流量；

步骤S3：对传入PID模块的参数进行处理，获得输出煤气流量；3个炉子对参数处理方法类似，以1号炉处理流程说明：

步骤S31：以燃烧时间大于0判断炉子是否开始燃烧，用t时刻、t时刻的前5分钟拱顶温度和t时刻的前5分钟烟道温度，预测t+1时刻拱顶温度；

步骤S32：根据燃烧时间t小于90分钟，更新t+1时刻的预测拱顶温度，取t+1时刻预测拱顶温度和1295最小值；否则，跳到步骤S33；

步骤S33：根据燃烧时间t大于25分钟和燃烧时间t小于45分钟，再更新t+1时刻拱顶温度，取步骤S32更新过的t+1时刻的拱顶温度和1280的最大值；否则，跳到步骤S34；

步骤S34：将t-1时刻、t-1时刻的前5分钟拱顶温度和t-1时刻的前5分钟烟道温度的数据，输入到预测拱顶温度模型中，得到预测t时刻拱顶温度；

步骤S35：根据燃烧时间t-1小于90分钟，更新t时刻的预测拱顶温度，取t时刻预测拱顶温度和1295最小值；否则，跳到步骤S36；

步骤S36：根据燃烧时间t-1大于25分钟和燃烧时间t-1小于45分钟，再更新t时刻拱顶温度，步骤S35更新过的t时刻的拱顶温度和1280的最大值；否则，跳到步骤S37；

步骤S37：如果燃烧时间t小于5，那么输出固定煤气流量；如果燃烧时间t大于等于5、更新后的预测t时刻拱顶温度与t时刻当前拱顶温度的绝对误差小于3，那么输出修正后的煤气流量；如果燃烧时间t大于等于5和预测t时刻拱顶温度与t时刻当前拱顶温度的绝对误差大于3，将燃烧时间t、燃烧时间t时刻前F分钟的热值、燃烧时间t时刻前F分钟的烟道温度、预测燃烧t+1时间的拱顶温度、燃烧时间t时刻前F分钟的煤气流量输入到预测煤气流量模型中，得到t+1时刻的煤气流量，更新t+1时刻的煤气流量，取推荐煤气流量加1500与t+1时刻的煤气流量的最小值；再次更新t+1时刻的煤气流量，取推荐煤气流量减1500与更新t+1时刻的煤气流量的最大值，得到最终更新后的煤气流量。

3个炉子的煤气流量修正公式：

1号炉修正后的煤气流量=2/3*推荐t时刻煤气流量+1/3*t时刻煤气流量-300+(更新预测t时刻拱顶温度-t时刻当前拱顶温度)*300；

2号炉修正后的煤气流量=2/3*推荐t时刻煤气流量+1/3*t时刻煤气流量-300+(更新预测t时刻拱顶温度-t时刻当前拱顶温度)*300；

3号炉修正后的煤气流量=2/3*推荐t时刻煤气流量+1/3*t时刻煤气流量-200+(更新预测t时刻拱顶温度-t时刻当前拱顶温度)*600；

3个炉子固定煤气流量公式：

1号炉固定煤气流量=30000*3300/t时刻热值；

2号炉固定煤气流量=28000*3300/t时刻热值；

3号炉固定煤气流量=27500*3300/t时刻热值；

步骤S38：最终输出煤气流量；

步骤S12中生成新的筛选条件包括：

步骤S121：描述每个燃烧周期的拱顶温度最大值和每个燃烧周期的热值点乘煤气流量的均值之间的关系，可通过每个燃烧周期的拱顶温度最大值和每个燃烧周期的热值点乘煤气流量的均值的散点图看出；方便得出指标的阈值；

步骤S122：描述每个燃烧周期热值点乘煤气流量的均值和该燃烧周期结束后的送风周期中的最高送风温度的关系，可通过每个燃烧周期热值点乘煤气流量的均值和该燃烧周期结束后的送风周期中的最高送风温度的散点图看出；方便得出送风温度指标的阈值；

步骤S123：根据两个散点图和每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值、送风温度，送风温度是同一个炉子每个燃烧期结束后送风期的最高送风温度，得到两个筛选一个燃烧期和送风期条件：1、同一个炉子的燃烧期的热值点乘煤气流量的均值小于全部燃烧期的每个燃烧期的热值点乘煤气流量的均值排序后的0.3分位数，节约煤气量的阈值；2、同一个炉子的燃烧期结束后的送风期的最高送风温度大于1193，送风温度的阈值；为了说明两个筛选条件怎么得到的，用下表说明：

注：x1，x2，...是每个燃烧期的热值点乘煤气流量的均值；y1，y2，...是每个燃烧期结束后该炉送风期的最高送风温度；热值点乘煤气流量的均值的0.3分位数是将x1，x2，x3，...按照大小进行排序，取排序后的数据的前30%位置数字。

本发明在使用时，通过反馈预测模型对煤气电动阀门开启度和空气电动阀门开启度进行预测，实时获取点火炉的点火温度、煤气流量、空气流量，并将点火温度、煤气流量、空气流量进行整合并标记为输入数据；获取反馈预测模型；将输入数据输入至反馈预测模型获取输出结果并标记为预测标签，预测标签即为输入数据对应的状态标签；将状态标签发送到服务器，服务器根据状态标签对电动阀门开启度和空气电动阀门开启度进行调整；反馈预测模型的获取方法具体包括以下步骤：通过储存模块获取点火炉工况历史数据；点火炉工况历史数据包括进行煤气电动阀门开启度和空气电动阀门开启度调整前N分钟的点火温度、煤气流量、空气流量；为点火炉工况历史数据设置状态标签；状态标签包括煤气电动阀门开启度、空气电动阀门开启度和状态参数；状态参数用于全局状态参数判定模块判断计算过程状态是否正常；构建人工智能模型，将通信历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；设定比例包括3：2：2、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为反馈预测模型。

通过评价纠正单元对反馈预测模型的预测结果进行评价，并对反馈预测模型进行再学习，获取根据预测结果对电动阀门开启度、空气电动阀门开启度进行调整的记录数据和对应的烧结料面燃烧情况，根据获得的记录数据和对应的烧结料面燃烧情况设置评分表，评分表可以根据客户的实际情况进行调整，评分表中包含烧结料面燃烧情况对照图像，将获得的对应的烧结料面燃烧图像与评分表中的烧结料面燃烧情况对照图像进行匹配，获得对应的预测结果评分，当的预测结果评分合格时，不进行操作，当预测结果评分不合格时，获取对应的记录数据，对记录数据中的电动阀门开启度、空气电动阀门开启度进行修改，将修改完成的电动阀门开启度、空气电动阀门开启度和对应的输入数据标记为自学习数据，将自学习数据输入到反馈预测模型中进行再学习。

通过应急模块进行***链路状态心跳检测，并对检测结果进行应急处理，具体方法包括：实时获取***链路异常状态，***链路异常状态包括服务器停机，网络中断，交换机故障，当链路存在异常状态时，将会引起心跳信号中断，当检测到心跳信号中断时，切回原有控制***继续对热风炉进行控制；全局状态参数判定模块用于对反馈预测模型中的状态标签里包含的状态参数进行判断，当计算过程正常时，将正常状态标记为1，当计算过程不正常时，将不正常状态标记为0，将判断结果发送到服务器，当服务器接收到的参数为0时，则不会执行煤气电动阀门开启度和空气电动阀门开启度的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元；设置反馈预测模型中的输入数据限定范围和输出数据限定范围，对反馈预测模型中的输入数据和输出数据进行分析，当输入数据不在输入数据限定范围内或者输出数据不在输出数据限定范围内时，生成状态参数为0，当输入数据在输入数据限定范围内或者输出数据在输出数据限定范围内时，生成状态参数为1，将状态参数发送到服务器，当服务器接收到的参数为0时，则不会执行煤气电动阀门开启度和空气电动阀门开启度的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元；画面显示模块用于显示工艺流程及工况参数，并设有报警单元、打印单元、历史趋势单元，报警单元接收服务器发送的报警信号，并向管理员发送报警信息，提醒管理员***已经切换到手动控制了。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上内容仅仅是对本发明结构所做的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种烧结机点火炉智能控制***，其特征在于，包括增强学习模块、服务器、储存模块、全局状态参数判定模块、应急模块和画面显示模块；

增强学习模块用于对出煤气流量进行预测，具体方法包括：

步骤S1：利用历史人工烧炉数据，生成训练数据集；

步骤S11：用煤气流量大于M筛选历史数据，筛选之后的数据中相邻index的差值小于L认为是在同一个燃烧周期内，否则认为是另一燃烧周期的数据，这样就得到一个完整的燃烧周期数据，再依据燃烧周期的数据量大于P筛选数据；

步骤S12：计算每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值，用来产生新的筛选条件；

步骤S13：根据步骤S12中的新筛选条件，分别得到两个数据集，然后再取燃烧周期都出现在两个数据集的燃烧周期数据，然后取每个燃烧期D分钟以后的数据，数据的Label是t+1时刻拱顶温度，变量是燃烧时间、t时刻前F分钟的拱顶温度（右）、t时刻前F分钟烟道温度，最后保存为csv文件；

步骤S14：取步骤S11中筛选后数据的每个燃烧期D分钟以后的数据，数据的Label是t+1时刻煤气流量，变量是燃烧时间、t时刻前F至前Z分钟的热值、t时刻前F分钟拱顶温度、t时刻前F分钟煤气流量，最后保存为csv文件；

步骤S2：利用两个数据集训练预测拱顶温度模型和预测煤气流量模型；

步骤S21：训练预测拱顶温度模型，训练数据的Label是t+1时刻拱顶温度，变量是燃烧时刻、t时刻前F分钟的拱顶温度（右）、t时刻前F分钟烟道温度的模型；

步骤S22：采用十折交叉验证对比常见的机器学习方法；根据绝对误差均值、均方误差和可决系数作为选择模型标准，综合选择模型标准后选择了极端随机树模型；将极端随机树模型保存下来；

步骤S23：训练预测煤气流量模型，训练Label是t+1时刻煤气流量，变量是燃烧时间、燃烧时间t时刻前F至前Z分钟的热值、燃烧时间t时刻前F分钟拱顶温度、t时刻前F分钟煤气流量的模型；

步骤S24：采用十折交叉验证对比常见的机器学习方法；根据绝对误差均值、均方误差和可决系数为选择模型标准，综合选择模型标准后选择了极端随机树模型；将极端随机树模型保存下来；

步骤S25：每个炉子有两个模型，进行模型预测，预测拱顶温度模型预测出的t+1时刻的拱顶温度、燃烧时间、燃烧时间t时刻前F分钟热值、燃烧时间t时刻前F分钟烟道温度、燃烧时间t时刻前F分钟拱顶温度（右）和燃烧时间t时刻前F分钟煤气流量输入到预测煤气流量模型中，得到t+1时刻的煤气流量；

步骤S3：对传入PID模块的参数进行处理，获得输出煤气流量。

2.根据权利要求1所述的一种烧结机点火炉智能控制***，其特征在于，步骤S12中生成新的筛选条件包括：

步骤S121：描述每个燃烧周期的拱顶温度最大值和每个燃烧周期的热值点乘煤气流量的均值之间的关系；

步骤S122：描述每个燃烧周期热值点乘煤气流量的均值和该燃烧周期结束后的送风周期中的最高送风温度的关系；

步骤S123：根据两个散点图和每个燃烧周期的平均拱顶温度、拱顶温度标准差、拱顶温度最大值、拱顶温度最小值、热值点乘煤气流量的均值、送风温度，得到两个筛选条件。

3.根据权利要求1所述的一种烧结机点火炉智能控制***，其特征在于，所述应急模块用于进行***链路状态心跳检测，并对检测结果进行应急处理，具体方法包括：实时获取***链路异常状态，***链路异常状态包括服务器停机，网络中断，交换机故障，当链路存在异常状态时，将会引起心跳信号中断，当检测到心跳信号中断时，切回原有控制***继续对热风炉进行控制。

4.根据权利要求1所述的一种烧结机点火炉智能控制***，其特征在于，所述画面显示模块用于显示工艺流程及工况参数，并设有报警单元、打印单元、历史趋势单元，报警单元接收服务器发送的报警信号，并向管理员发送报警信息。

5.根据权利要求1所述的一种烧结机点火炉智能控制***，其特征在于，全局状态参数判定模块用于对增强学习模块中的计算过程进行判断，当计算过程正常时，将正常状态标记为1，当计算过程不正常时，将不正常状态标记为0，将判断结果发送到服务器，当服务器接收到的参数为0时，则不会执行煤气流量的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元；设置增强学习模块的输入数据限定范围和输出数据限定范围，对输入数据和输出数据进行分析，当输入数据不在输入数据限定范围内或者输出数据不在输出数据限定范围内时，生成状态参数为0，当输入数据在输入数据限定范围内或者输出数据在输出数据限定范围内时，生成状态参数为1，将状态参数发送到服务器，当服务器接收到的参数为0时，则不会执行煤气流量的调整任务，并自动切换到手动控制，生成报警信号，将报警信号发送到报警单元。

6.根据权利要求4所述的一种烧结机点火炉智能控制***，其特征在于，在一线工人工作处设置对应的显示节点，通过所述显示节点进行相应的数据显示。

7.根据权利要求6所述的一种烧结机点火炉智能控制***，其特征在于，显示节点的工作方法包括：

确定各目标项数据，采集目标项数据对应的各目标转化方式，对获得的目标转化方式进行筛选，获得所述目标项数据对应的实施转化方式，基于各实施转化方式对画面显示模块内显示的对应专业显示数据进行实时转化，将转化后的各目标项数据在显示界面内进行实时显示。

8.根据权利要求7所述的一种烧结机点火炉智能控制***，其特征在于，对获得的目标转化方式进行筛选的方法包括：

获取各目标转化方式对应的应用分，对各目标转化方式的实施性进行评估，获得对应的修正系数，根据优先级公式QY=c×YZ计算对应的优先值QY，其中，c为修正系数；YZ为应用分；选择优先值最高的目标转化方式为该目标项数据的实施转化方式。

Images